Cartographie des cultures en Afrique : une nouvelle approche
Comment la technologie transforme la cartographie agricole en Afrique.
L. D. Estes, A. Wussah, M. Asipunu, M. Gathigi, P. Kovačič, J. Muhando, B. V. Yeboah, F. K. Addai, E. S. Akakpo, M. K. Allotey, P. Amkoya, E. Amponsem, K. D. Donkoh, N. Ha, E. Heltzel, C. Juma, R. Mdawida, A. Miroyo, J. Mucha, J. Mugami, F. Mwawaza, D. A. Nyarko, P. Oduor, K. N. Ohemeng, S. I. D. Segbefia, T. Tumbula, F. Wambua, G. H. Xeflide, S. Ye, F. Yeboah
― 7 min lire
Table des matières
L'agriculture joue un rôle super important dans la vie de millions de personnes en Afrique. Avec tous ces changements rapides, c'est crucial de suivre comment les Pratiques Agricoles évoluent. Cet article parle des efforts pour créer des cartes montrant où les cultures sont cultivées sur le continent, en se concentrant sur comment la technologie rend cette tâche plus facile et plus précise.
Le besoin de cartes
Dans de nombreuses régions d'Afrique, les infos sur où les cultures sont plantées manquent. Ce manque de données complique la tâche des fournisseurs de services, comme ceux qui vendent des semences et des engrais, pour comprendre ce dont les agriculteurs ont vraiment besoin. Sans cartes précises des champs, c'est galère d'aider à répondre aux demandes alimentaires croissantes des populations en hausse.
Imagine essayer de trouver un resto dans une nouvelle ville sans carte. Tu pourrais te perdre et rater de super plats. C'est la même chose en agriculture. Sans cartes correctes, les gens peuvent se perdre dans des données qui ne reflètent pas la réalité sur le terrain.
La technologie derrière la cartographie
Pour créer ces cartes essentielles, les chercheurs se sont tournés vers l'Imagerie satellite et l'Apprentissage automatique. Les images haute résolution des satellites nous donnent une vue détaillée de la surface terrestre. C'est un peu comme avoir une caméra super haute définition qui peut zoomer sur ce qui se passe de loin.
L'apprentissage automatique est ensuite appliqué à ces images, permettant aux algorithmes de reconnaître des motifs et d'identifier où les cultures poussent. C'est comme apprendre à un ordi à distinguer un chat d'un chien, mais là, c'est pour identifier des champs de maïs ou de soja.
Collecte de données
Pour construire une base de données complète des limites des champs, les chercheurs ont utilisé des milliers d'images prises sur plusieurs années. Cela a impliqué de labelliser manuellement les images pour marquer où se trouvaient les champs. Imagine regarder un film et essayer de noter chaque fois que quelqu'un grignote-tu voudrais être minutieux.
Les données ont été collectées dans des zones supposées avoir des cultures, en s'assurant d’avoir un mélange de différents types et conditions agricoles. Les chercheurs ont cherché à obtenir des infos non seulement des grandes fermes mais aussi des petites exploitations, où des familles cultivent de la nourriture pour leur propre usage ou pour les marchés locaux.
Processus de labellisation
La labellisation est le cœur de ce projet. Cela implique de passer en revue les images satellites et de marquer ce qui est un champ et ce qui ne l'est pas. Ce n'est pas une tâche facile, car la nature des petits champs et la qualité des images satellites peuvent rendre difficile la définition précise des limites.
Le processus de labellisation a été conçu pour garantir des données de haute qualité. Des équipes d'experts formés ont utilisé une plateforme sur mesure spécifiquement pour cela. Ils étaient comme des chasseurs, traquant soigneusement les bords des champs dans les images, s'assurant qu'aucun champ ne soit oublié. Au début, les experts ont évalué la qualité de leurs labels pour être sûrs de ne rien rater.
Contrôle de qualité
Le contrôle de qualité est crucial pour s'assurer que les cartes produites sont fiables. Si une personne fait une erreur en labellisant une image, cela peut affecter l'ensemble du jeu de données, tout comme un seul mauvais ingrédient peut gâcher une recette.
Pour vérifier la qualité des labels, les chercheurs ont utilisé plusieurs méthodes. Ils ont comparé les nouvelles zones labellisées avec des labels précédemment établis pour voir à quel point ils s'alignaient. Ce processus de révision a permis d'identifier des incohérences et de fournir des retours pour s'améliorer.
Défis rencontrés
Bien que l'utilisation de la technologie soit impressionnante, il y a des défis liés à la cartographie des champs agricoles. La résolution des images satellites peut être un facteur limitant. Si les images sont trop floues, il peut être difficile de définir avec précision les limites des champs, surtout là où ils sont petits ou denses.
On pourrait dire que c’est comme essayer de lire un livre tout en étant loin ; plus tu es loin, plus c'est difficile de voir les mots clairement.
De plus, les conditions variées des champs-comme s'ils sont en culture active ou laissés en jachère-doivent être prises en compte. Juste parce qu'un champ était visible une année ne veut pas dire qu'il aura le même aspect l'année suivante.
Informations recueillies
Les cartes résultantes offrent des aperçus précieux sur le paysage agricole de l'Afrique. En analysant les données, les chercheurs peuvent voir des tendances au fil du temps, comme si les champs grandissent ou rétrécissent et comment la distribution des cultures change selon les régions.
Ces informations peuvent aider les décideurs à prendre des décisions éclairées sur la sécurité alimentaire, l'utilisation des terres et les pratiques agricoles. Tout comme un conducteur utilise des directions pour mieux naviguer en ville, ces données aident les leaders à diriger le développement agricole de manière plus efficace.
Utilisations potentielles de ces données
Les cartes labellisées ne sont pas juste de jolies images ; elles ont le potentiel pour de nombreuses applications. Par exemple, les entreprises peuvent utiliser ces données pour mieux cibler leurs services aux agriculteurs, que ce soit en offrant du matériel spécialisé ou en gérant les chaînes d'approvisionnement.
En plus d'aider les entreprises, ces infos peuvent aider les chercheurs à étudier l'impact des pratiques agricoles sur l'environnement. En suivant où et comment les cultures sont cultivées, les chercheurs peuvent mieux comprendre les relations entre l'agriculture et la santé écologique.
Un avenir prometteur
L'avenir de l'agriculture en Afrique est incertain, mais avec l'aide de technologies de cartographie avancées, il y a de l'espoir. À mesure que plus de données deviennent disponibles, cela peut aider les communautés à s'adapter aux conditions changeantes et à soutenir des pratiques durables.
Cet effort de cartographie n'est qu'une partie d'un mouvement plus large vers l'amélioration des pratiques agricoles et de la sécurité alimentaire. Avec la recherche continue et le développement technologique, on peut espérer des cartes plus précises, de meilleures pratiques agricoles et, en fin de compte, des communautés plus saines.
Conclusion
Créer des cartes complètes des champs agricoles en Afrique est essentiel pour répondre aux besoins alimentaires du continent. Grâce à l'imagerie satellite et à l'apprentissage automatique, les chercheurs apportent de la clarté à un paysage agricole complexe et dynamique. Bien que des défis subsistent, les informations obtenues à partir de ces données peuvent permettre aux communautés de prendre des décisions éclairées sur leur avenir agricole.
Il est clair que comprendre où les cultures sont cultivées n'est pas juste une question de géographie ; c'est aussi nourrir les gens, soutenir les moyens de subsistance et garantir un avenir durable. Et au final, n'est-ce pas ce que nous voulons tous : un monde où chacun a assez à manger et peut savourer de bons plats sans stress en se demandant d'où ça vient ?
Titre: A region-wide, multi-year set of crop field boundary labels for Africa
Résumé: African agriculture is undergoing rapid transformation. Annual maps of crop fields are key to understanding the nature of this transformation, but such maps are currently lacking and must be developed using advanced machine learning models trained on high resolution remote sensing imagery. To enable the development of such models, we delineated field boundaries in 33,746 Planet images captured between 2017 and 2023 across the continent using a custom labeling platform with built-in procedures for assessing and mitigating label error. We collected 42,403 labels, including 7,204 labels arising from tasks dedicated to assessing label quality (Class 1 labels), 32,167 from sites mapped once by a single labeller (Class 2) and 3,032 labels from sites where 3 or more labellers were tasked to map the same location (Class 4). Class 1 labels were used to calculate labeller-specific quality scores, while Class 1 and 4 sites mapped by at least 3 labellers were used to further evaluate label uncertainty using a Bayesian risk metric. Quality metrics showed that label quality was moderately high (0.75) for measures of total field extent, but low regarding the number of individual fields delineated (0.33), and the position of field edges (0.05). These values are expected when delineating small-scale fields in 3-5 m resolution imagery, which can be too coarse to reliably distinguish smaller fields, particularly in dense croplands, and therefore requires substantial labeller judgement. Nevertheless, previous work shows that such labels can train effective field mapping models. Furthermore, this large, probabilistic sample on its own provides valuable insight into regional agricultural characteristics, highlighting variations in the median field size and density. The imagery and vectorized labels along with quality information is available for download from two public repositories.
Auteurs: L. D. Estes, A. Wussah, M. Asipunu, M. Gathigi, P. Kovačič, J. Muhando, B. V. Yeboah, F. K. Addai, E. S. Akakpo, M. K. Allotey, P. Amkoya, E. Amponsem, K. D. Donkoh, N. Ha, E. Heltzel, C. Juma, R. Mdawida, A. Miroyo, J. Mucha, J. Mugami, F. Mwawaza, D. A. Nyarko, P. Oduor, K. N. Ohemeng, S. I. D. Segbefia, T. Tumbula, F. Wambua, G. H. Xeflide, S. Ye, F. Yeboah
Dernière mise à jour: Dec 24, 2024
Langue: English
Source URL: https://arxiv.org/abs/2412.18483
Source PDF: https://arxiv.org/pdf/2412.18483
Licence: https://creativecommons.org/licenses/by/4.0/
Changements: Ce résumé a été créé avec l'aide de l'IA et peut contenir des inexactitudes. Pour obtenir des informations précises, veuillez vous référer aux documents sources originaux dont les liens figurent ici.
Merci à arxiv pour l'utilisation de son interopérabilité en libre accès.
Liens de référence
- https://www.planet.com/pulse/planets-newest-planetary-variable-automated-field-boundaries/
- https://github.com/agroimpacts/maputil/blob/main/maputil/planet_downloader.py
- https://www.sentinel-hub.com/
- https://www.element84.com/software-engineering/raster-foundry-geospatial-analysis-scale/
- https://github.com/agroimpacts/labelreview/blob/main/review_labellers.ipynb
- https://registry.opendata.aws/africa-field-boundary-labels/
- https://zenodo.org/records/11060871
- https://github.com/agroimpacts/lacunalabels
- https://assets.planet.com/docs/Planet_ParticipantLicenseAgreement_NICFI.pdf
- https://doi.org/10.1016/j.jue.2011.08.004
- https://doi.org/10.3390/land10020150
- https://doi.org/10.1126/science.abe8628
- https://doi.org/10.1038/s41561-020-0592-3
- https://doi.org/10.1088/1748-9326/acb2de
- https://doi.org/10.1016/j.isprsjprs.2020.01.013
- https://doi.org/10.3390/rs12061034
- https://doi.org/10.1111/Geb.12034
- https://doi.org/10.1016/j.envsoft.2016.01.011
- https://www.frontiersin.org/article/10.3389/frai.2021.744863
- https://doi.org/10.1038/s41893-022-00904-w
- https://doi.org/10.3390/geomatics4010005
- https://www.esri.com/news/arcuser/0109/crop_estimates.html
- https://doi.org/10.1111/gcb.12838
- https://doi.org/10.1080/10824009509480472
- https://doi.org/10.1016/j.rse.2017.06.031
- https://doi.org/10.1016/j.dib.2024.110739
- https://doi.org/10.1016/j.jdeveco.2016.09.001
- https://doi.org/10.1016/j.agsy.2024.104088
- https://doi.org/10.1111/agec.12308
- https://doi.org/10.48550/arXiv.2409.16252
- https://doi.org/10.48550/arXiv.2408.06467
- https://doi.org/10.1016/j.forpol.2020.102144
- https://CRAN.R-project.org/package=mblm
- https://doi.org/10.1111/gcb.14492
- https://doi.org/10.3390/land7040118
- https://doi.org/10.1016/j.jag.2024.104084
- https://doi.org/10.1016/j.isprsjprs.2018.06.002
- https://doi.org/10.1088/1748-9326/acc476
- https://www.planet.com/nicfi/
- https://doi.org/10.1038/s43016-021-00429-z
- https://doi.org/10.1007/978-3-319-24574-4_28
- https://doi.org/10.1016/j.jag.2024.104149
- https://doi.org/10.1038/nclimate2584
- https://doi.org/10.1080/01621459.1968.10480934
- https://doi.org/10.1093/biomet/69.1.242
- https://doi.org/10.1016/j.foodpol.2014.05.006
- https://doi.org/10.3390/land4030869
- https://doi.org/10.1016/j.jag.2022.103152
- https://doi.org/10.1016/j.rse.2020.111741
- https://doi.org/10.3390/rs14225738
- https://cropanalytics.net/wp-content/uploads/2022/11/Farmerline-Clark-Round-2-Report-V2-Nov-8-2022.pdf
- https://doi.org/10.3390/rs9101065
- https://doi.org/10.48550/arXiv.2104.14032